移动机器人全局定位是导航系统中基础而重要的模块之一。移动机器人执行任务必须以对自身的位姿进行精确而稳定地估计为前提。移动机器人通过将当前观测与已有的环境地图进行匹配以对自身的位姿进行估计。在这一过程中,移动机器人自主定位受到多源不确定性的影响。这些不确定性包括观测不确定性和特征位置关联不确定性。其中,环境条件、传感器噪声以及信息传递噪声导致观测信息与真实的物理信息存在偏差。同时,机器人对环境认知能力不足,导致机器人对当前观测到的特征的全局位置的估计存在不确定性。这两种不确定性都影响机器人对自身所在位置的估计。后者的影响导致机器人不确定自己位于环境中哪个区域,前者主要导致机器人不确定自身的具体位姿。因此,研究面向定位任务的不确定性信息建模方法,在此基础上构建环境信息存储、检索以及信息关联与推理方法,对提升移动机器人全局定位系统的性能至关重要。本文借鉴定性推理方法、概率理论、机器学习方法等不确定性信息表达与处理方法的优点,针对观测不确定性和特征位置关联不确定性进行建模,提出了一些新的全局定位方法,以提高移动机器人自主导航过程的稳定性、高效性和智能性。为了提高对观测不确定性信息的处理能力,必须建立与信息特性相适应的信息表达与处理模型。本文结合定性推理方法和概率理论,提出了定性粒子滤波器以提升基于激光的全局定位性能。为了提高对特征关联不确定性的处理能力,必须提升特征表达与关联模型的性能和特征关联推理方法的性能。本文基于回归森林模型,建立了几何地图、点特征地图、线段特征地图和拓扑地图的自主表达模型,实现对特征关联不确定性的有效建模,并提出了基于改进随机一致性采样方法的特征关联概率推理机制。本文的主要工作和创新点如下:1)针对基于激光的全局定位过程中移动机器人状态概率分布内涵不明确的问题,结合定性推理方法与贝叶斯方法,建立了定性粒子滤波器,并在此基础上提出了全局定位方法。该方法将环境地图表示为定性粒子及其预期观测的集合。在线状态迭代估计过程中,针对状态转移模型和观测模型参数不确定的问题,提出了状态定性转移模型与定性观测模型。基于定性模型实现对机器人位姿可能分布区域的完备估计与覆盖,利用可能性区域内包含的粒子对机器人的真实状态分布进行内涵估计。最后,建立了上下文的概率传递模型,实现上下文观测信息融合,以降低位姿假设不确定性。实验结果表明,所提出方法对于状态转移模型的建模误差具有较高的鲁棒性。同时,由于能够自适应调整粒子规模,所提出方法具有较高的计算效率。2)在视觉全局定位过程中,针对由环境中存在的重复纹理和结构导致的相机位姿估计存在不确定性的问题,本文提出了一种基于回归森林的特征位置关联不确定性建模以及相应的视觉全局定位方法。该方法包括离线的环境模型自主学习和在线的相机位姿推理过程。首先,利用回归树构建环境拓扑结构的自主学习模型,形成拓扑回归树,实现了拓扑地图的自主生成。进一步,利用回归森林对视觉点特征与几何空间位置的关联不确定性进行自主建模与管理,形成了特征点回归树。在线定位过程中,利用拓扑回归树对机器人进行拓扑定位,然后在拓扑节点内利用特征点回归树进行精细的几何定位。这种层次化的全局定位策略极大提升了定位过程中几何推理的效率。在此基础上,提出了一种基于图模型的特征关联推理方法,实现对特征空间位置预测的优化和相机的精确全局定位。在公开数据集的实验结果表明,本文方法能够在室内场景下取得较高的全局定位精度。3)为进一步提升视觉全局定位方法在不同类型场景下的适应能力,本文提出了一种基于多元几何信息的视觉全局定位方法。首先,建立了基于回归森林的环境点特征地图、线段特征地图以及稠密点云地图的特征-空间位置映射的自主学习方法。形成的点特征回归树和线段特征回归树,能够对观测到的点特征和线段特征进行全局空间位置预测。同时,在定位过程中,为了对环境表面的几何细节进行快速检索,利用回归树对环境稠密地图进行压缩表示。在线定位过程中,利用学习到的模型预测当前观测到的点和线段特征的三维空间位置,然后根据预测位置进行相机位姿估计。在位姿假设产生的过程中,构造了堆栈RANSAC框架,并利用环境稠密地图的压缩表示对位姿假设进行筛选。实验结果表明,本文方法在多种类型场景下都具有较高的全局定位性能。